最直观的GS与MAS公式解释

MAS (标记辅助选择，Marker-Assisted Selection): MAS 主要基于特定的遗传标记来选择有利的基因型。一个简化的公式描述为：

其中，

• Y 是性状的观测值。
• μ 是整体平均值。
• M 是标记值（通常为0, 1或2，表示特定标记的等位基因数量）。
• β 是标记效应。
• e 是误差项。

示例: 假设我们正在研究一种作物，我们知道一个特定的标记与该作物的抗病性有关。基于以前的研究，当这个标记存在时（M=1），作物的生长速度会增加10%；当标记不存在时（M=0），则没有这个效果。

现在，假设我们在一个作物样本上进行了测量，并发现其生长速度为50cm。如果这个作物含有上述标记，则预测的生长速度为: Y=50+1×10%×50=55cmY=50+1×10%×50=55cm 如果这个作物不含有该标记，则生长速度保持为50cm。

GS (基因组选择，Genomic Selection): GS 则利用全基因组的标记信息来预测遗传价值。一个简化的公式描述为

• G^ 是预测的遗传价值。
• Z 是一个矩阵，包含了个体的全部基因型信息。
• α 是基因效应的估计值。

这两个公式突出了MAS和GS的主要区别：MAS关注单个或几个特定的标记，而GS则利用整个基因组的信息。在PPT中展示这两个公式可以有效地为听众揭示两者的基本原理和差异。

当然，这只是两个简化的公式，真实的模型可能更加复杂，取决于具体的应用和数据结构。

GS (基因组选择): 示例: 假设我们想预测某种牲畜的乳产量。我们已经知道该种牲畜全基因组内有三个主要的基因（标记）影响乳产量，分别为Z1​,Z2​,和Z3​。基于以往的研究，我们知道这三个基因对乳产量的影响分别为5L, 3L和-2L。

现在，假设我们有一个牲畜，它在Z1​和Z2​位置都有正效应的等位基因，但在Z3​位置有负效应的等位基因。基于GS的模型，我们可以预测这个牲畜的乳产量增益为: G^=1×5+1×3+1×(−2)=6LG^=1×5+1×3+1×(−2)=6L 所以，我们预测这头牲畜比没有这些等位基因的平均牲畜多产6L的乳。

这两个简单的示例有助于突出MAS和GS在遗传改良中的不同应用和关注点。MAS更注重某些已知的关键标记，而GS则尝试利用全基因组的信息进行预测。